10 Modelo de regresión lineal
|
|
- Monica Fidalgo Sandoval
- hace 7 años
- Vistas:
Transcripción
1 0 Modelo de regresión lineal La relación matemática determinística más simple entre dos variables x e y, es una relación lineal y = 0 + x. El conjunto de pares (x; y) que veri can esta relación, determinan una recta con pendiente que corta al eje y en 0 : En esta sección vamos a estudiar una relación lineal no determinística entre dos variables. Ejemplo 0. Consideremos los siguientes datos que muestran la densidad óptica de cierta substancia (y) a diferentes niveles de concentración (x): x y Si gra camos estos valores vemos que los puntos parecen estar bastante próximos a una recta, y podemos aceptar que la relación entre las variables es aproximadamente lineal. El modelo de regresión lineal simple se expresa como: Y = 0 + x + (28) donde 0 y son parámetros jos y es un término aleatorio, con E() = 0 ; var() = 2 : (29) y estos son independientes para cada repetición del experimento. Esto signi ca que para cada valor de la variable independiente x, la variable dependiente Y; es una variable aleatoria, tal que: E(Y ) = 0 + x ; var(y ) = 2 : Conocer la ecuación (28) y 2 ; nos permitiría predecir, con un error de predicción que depende de 2, el valor que puede tomar la variable Y, para determinado valor de x. Como en el ejemplo planteado, se tiene un conjunto de observaciones (x ; y ); (x 2 ; y 2 ); :::; (x n ; y n ), que parecen adaptarse al modelo lineal y en base a esos valores se deben estimar los parámetros desconocidos 0, y 2 : En el ejemplo x i son las concentraciones, y i las densidades ópticas, y n = 2: 94
2 Para estimar los parámetros 0 y usaremos el método de mínimos cuadrados. Sean r i = y i by i = y b0 i + b x i (30) (los residuos). Entonces el método consiste en hallar b 0 ; b tales que S rr = nx ri 2 = i= nx i= y i b0 + b x i 2 = min : Calculando las derivadas respecto de b 0 y de b, e igualando ambas a cero, se obtiene un sistema de dos ecuaciones, al resolver el mismo se llega a la siguiente solución. Sean x e y las medias de las x i y las y i ; y sean y = S xy = Entonces la solución es nx (x i x) 2 ; S yy = i= nx (x i x) (y i y) = i= nx (y i y) 2 ; i= nx x i y i nx y: i= b = S xy ; b 0 = y x b : La recta obtenida se llama recta de regresión estimada de y en x: En nuestro ejemplo, = , S yy = 0:3089, S xy = 26:4 y b 0 = 0:09 ; b = 0:00 : de modo que la recta de regresión estimada será: by = 0:09 + 0:00x La desviación se estima con s r de nido como s 2 r = S nx rr n 2 ; con S rr = ri 2 2 = S yy b : 95 i=
3 En nuestro ejemplo, s r = 0:080: El coe ciente de determinación y el coe ciente de correlación Una medida de la variablidad total de las observaciones y i es la expresión que ya vimos S yy ; en nuestro ejemplo S yy = 0:3089 La suma de cuadrados de los residuos: S rr puede considerarse como una medida de la variación de las y i que no es explicada por el modelo. Entonces es conveniente de nir un número que represente la proporción de la variabilidad total de las y i que si es explicada por el modelo, este número es el coe ciente de determinación: r 2 = S rr S yy es una medida de la bondad del ajuste del modelo. En nuestro ejemplo r 2 = 0:0075 = 0:98925, esto signi ca el modelo de regresión lineal simple explica el 98:9% de la variabilidad total de las observaciones y i El número R = S xy p Sxx S yy se llama coe ciente de correlación entre x e y. Está entre - y ; si jrj = ; los puntos están exactamente sobre una recta, cuya pendiente tiene el signo de R: También es una medida de la bondad de un ajuste lineal. En nuestro ejemplo, R = 0:9946: En un modelo de regresión lineal simple, el coe ciente de determinación es el cuadrado del coe ciente de corelación. 0. Intervalos de con anza para los parámetros Se puede probar que los estimadores b 0 y b son insesgados, esto quiere decir que: E( b 0 ) = 0 ; E( b ) = y también puede probarse que: var( b 0 ) = 2 n + x2 ; var( S b ) = 2 ; xx 96
4 Entonces bajo las suposiciones del modelo (29) podemos decir que b 0 y b son estimadores insesgados de los parámetros 0 y y que tienen las varianzas calculadas. Pero si podemos suponer que los i tienen distribución normal, es decir que el modelo ahora sería: donde Y i = 0 + x i + i i s N(0; 2 ) e independientes (3) Entonces, también las variables aleatorias Y i tienen distribución normal, y los estadísticos: T 0 = b 0 0 b q y T = s r + x2 s r = p n tiene distribución de Student con n 2 grados de libertad. Estos estadísiticos nos sirven para construir intervalos de con anza para 0 y respectivamente, con el mismo procedimiento que ya usamos anteriormente. A partir de T 0 ; planteamos P ( t =2 b 0 q 0 t =2 ) = s r + x2 n donde t =2 se busca en la tabla de Student para n 2 grados de libertad, y nalmente se llega al intervalo 0 s 0 t =2 s r n + x2 ; S b 0 + t =2 s r xx n + x2 A A partir de T, planteamos P ( t =2 b s r = p t =2 ) = donde también t =2 se busca en la tabla de Student para n libertad, y nalmente se llega al intervalo b t =2 s r = p ; b + t =2 s r = p 2 grados de 97
5 Para los datos del ejemplo, si elegimos = 0:95, para 0 grados de libertad t 0:025 = 2:228, dt( b q q 0 ) = s r + x2 n = 0: = 0: y el intervalo para 0 ( 0:09 0:0276; 0:09 0:0276) = ( 0:0395; 0:057) de la misma manera dt( b ) = s r = p = 0:080= p = 0: y el intervalo para (0:00 0: ; 0:00 + 0: ) = (0:000; 0:008) 0.. Algunos comentarios sobre la estimación de los parámetros La longitud del intervalo para 0 es 2t =2 s r q n + x2 ; de modo que si x es relativamente grande, la estimación de 0 será poco precisa. Generalmente la estimación de 0 no es tan importante como la de : La longitud del intervalo para es 2t =2 s r = p ; de modo que la precisión de la estimación para, puede mejorarse eligiendo los valores de las x i más dispersas para que sea más grande. 0.2 Tests para los parámetros Cuando las variables aleatorias Y i son independientes y con distribución normal, se pueden testear algunas hipótesis sobre los parámetros, se procede como ya hemos visto. Si se desea comparar con algún valor jo b; el estadístico de prueba será: T = b b s r = p que cuando el verdadero valor de es b, tendrá distribución de Student con n 2 grados de libertad, y los diferentes tests que se pueden hacer se resumen como: 98
6 Hipótesis nula: H 0 : = b psxx Valor de estadístico de prueba: t = b b =s r Hipótesis alternativa Región de rechazo para un nivel H A : > b t > t H A : < b t < t H A : 6= b t > t =2 o t < t =2 grados de libertad: n 2 Para el ejemplo (0.), se está interesado en saber si la pendiente es mayor de En ese caso el problema se plantea como: H 0 : = 0:00 H A : > 0:00 el valor del estadístico de prueba es t = (0:00 0:00) p =0:080 = 2:657; si observamos la tabla de Student para 0 grados de libertad, vemos que el valor-p <0.025, lo que signi ca que podemos a rmar que la pendiente es mayor que 0.0 con un nivel de signi cación = 0: Intervalos de con anza para valores medios de la respuesta Continuando con el ejemplo (0.), consideremos una concentración dada, por ejemplo x 0 = 260; y sea Y 0 la respuesta correspondiente. Si se cumple el modelo (29), la respuesta media correspondiente a x 0 es EY 0 = 0 + x 0 : Si se quiere estimar EY 0 = 0 + x 0 ; parece lógico estimarla con el valor ajustado by 0 = b 0 + b x 0 : Si deseamos construir un intervalo de con anza para EY 0 deberemos encontrar el estadístico adecuado, es facil ver que Eby 0 = E( b 0 + b x 0 ) = 0 + x 0 también puede demostrarse que! varby 0 = var( b 0 + b x 0 ) = 2 n + (x 0 x) 2 99
7 y también se puede probar que, cuando las Y i tienen distribución normal, el estadístico T = by 0 ( 0 + x 0 ) s r q n + (x 0 x) 2 tiene distribución de Student con n 2 grados de libertad. Entonces, siguiendo el mismo procedimiento de siempre, obtenemos el siguiente intervalo de con anza de nivel ; para EY 0 ; es decir la media de la respuesta Y para un valor dado x 0 0 t =2 s r s En nuestro ejemplo, n + (x 0 x) 2 ; by 0 + t =2 s r s n + (x 0 x) 2 A (32) by 0 = 0:274; r ( ) = 0:30054; t 0:025 = 2:228 y el intervalo de 95% de con anza para EY 0 resulta (0:2620; 0:286) esto signi ca que tenemos un 95% de con anza de que este intervalo contenega el valor verdadero (desconocido) de EY 0 ; que es el valor medio de las respuestas correspondientes a la concentración x 0 : Pero ojo!: esto no quiere decir que si se registra la respuesta y para x 0 ; ésta tenga probabilidad 0:95 de caer en el intervalo. Si observamos la forma del intervalo (32), vemos que la longitud es: s L = 2t =2 s r n + (x 0 x) 2 esta longitud es mínima cuando x 0 es igual a x, y aumenta cuando x 0 se aleja de x. En la siguiente gura se gra ca la recta de regresión estimada, y dos lineas curvas que representan los límites de los intervalos de con anza para la media de Y, dados los posibles valores de x. Se puede ver como varía la longitud de los intervalos de con anza. 00
8 Importante: Generalmente, el modelo (29) es una aproximación, válida en el mejor de los casos dentro del rango de las x usadas en el experimento, no tenemos información para hacer ninguna inferencia fuera de ese rango de valores, por lo que no es nada con able extrapolar, o sea, aplicar este procedimiento para x 0 fuera del rango de las x observadas. 0.4 Intervalos de predicción para valores de la variable respuesta Consideremos ahora la siguiente situación, queremos predecir el valor que puede tomar la respuesta, cuando la concentración es x 0 = 260. Sabemos que y 0 = 0 + x 0 +, y parece lógico predecir ese valor con el valor sobre la recta estimada, o valor ajustado by 0 = b 0 + b x 0 este es el mismo valor que usamos para estimar la EY 0. Pero si pretendemos construir un intervalo de predicción, las cosas cambian un poco. El error de predicción es la diferencia entre el valor que puede tomar una variable aleatoria Y 0 y el valor ajustado by 0 ; podemos ver que el valor esperado del error de predicción es: E (Y 0 by 0 ) = 0 0
9 y la varianza del error de predicción es: var(y 0 by 0 ) = var(y 0 ) + var(by 0 ) = 2 + n + (x 0 x) 2 de modo que para construir un intervalo de predicción para Y 0, usaremos el estadístico Y 0 by 0 T = q s r + + (x 0 x) 2 n que también tiene distribución de Student con n-2 grados de libertad. Y el intervalo de predicción para y 0 es: 0 s 0 t =2 s r + n + (x 0 x) 2 ; by 0 + t =2 s r + n + (x 0 x) 2 A (33) En nuestro ejemplo: r by 0 = 0:274; + 2 y el intervalo de predicción es: + ( ) = :0449; t 0:025 = 2:228 (0:2322; 0:360) esto signi ca que tenemos un 95% de con anza de que ese intervalo contenga a la posible respuesta y 0 correspondiente a una concentración x 0 = 260. Vemos que la longitud de este intervalo de predicción para y 0 es mayor que la del intervalo de con anza para EY 0 que construimos antes ( para el mismo x 0 = 260 ). Esto es lógico porque para predecir el valor que tome la variable aleatoria tengo más incerteza que para estimar su media. En general vemos que la longitud de (33) es s L = 2t =2 s r + n + (x 0 x) 2 vale lo mismo que dijimos para los intervalos de con anza, la longitud es mínima cuando x 0 es igual a x. 02
10 En el grá co vemos las curvas que delimitan los intervalos de con anza y los intervalos de predicción, ambos de nivel 0:95 Como ya dijimos al construir intervalos de con anza para EY 0 ; este procedimento nunca puede extrapolarse. No tiene sentido predecir el valor de Y correspondiente a una x fuera del rango de valores con que se estimó la recta. 0.5 Uso de los residuos para validar el modelo Recordemos que los residuos son la diferencia entre el valor observado y el valor ajustado, r i = y i by i. Una práctica muy util para validar el modelo de regresión lineal es gra car estos residuos vs los valores de las x i : Si el modelo fuera correcto, estos residuos no deberían tener ninguna relación con las x i, ya que los residuos son lo que queda de las y i después de haber sustraido toda la dependencia respecto de las x i : Cuando en el grá co de residuos aparece alguna forma que muestra una relación entre los r i y las x i ; indica que el modelo no ha sido el más apropiado, y se debe intentar ajustar un modelo no lineal o aplicar alguna transformación a los datos, que linealice la relación entre las x i y las y i : El siguiente es el grá co de residuos para el ejemplo analizado, en este caso no aparece ninguna forma particular, que indique una dependencia entre 03
11 los r i y las x i,03,02,0 Residuos 0,00,0,02, Concentración Consideremos ahora otro ejemplo, al gra car como siempre los valores (x i ; y i ) se puede pensar que una recta ajusta razonablemete bien estos datos, como se ve en la siguiente gura: y ,0 5,2 5,4 5,6 5,8 6,0 6,2 6,4 6,6 x 04
12 sin embargo, si ajustamos un modelo de regresión lineal y luego gra camos los residuos, obtenemos: 20 0 Residuos 0 0 5,0 5,2 5,4 5,6 5,8 6,0 6,2 6,4 6,6 x donde se ve que los residuos no se distribuyen aleatoriamente, sino que siguen un patrón. Esta forma está indicando que la recta no brinda el mejor ajuste, en este caso se puede intentar aplicar alguna transformación a los datos, y ajustar una recta a los datos transformados, y ver nuevamente la grá ca de residuos. 05
13 Práctica 8. Suponga que, en cierto proceso químico, el tiempo de reacción Y (en horas) está relacionado con la temperatura x ( o F ) de la cámara en la que tiene lugar la reacción, según el modelo de regresión lineal Y = 5:00 0:0x + donde i s N(0; 0:075 2 ) (estamos considerando que esa no es una estimación sino la verdadera recta de regresión) (a) Cuál es el cambio esperado en tiempo de reacción para un aumento de o F en temperatura? Y para un aumento de 0 o F? (b) Cuál es la distribución del tiempo de reacción para una temperatura de 250 o F? (c) Cuál es la probabilidad de que el tiempo de reacción esté entre 2:4 y 2:5 horas? (d) Suponga que se hacen 5 experimentos independientes con temperatura de reacción de 250 o F. Cuál es la probabilidad de que los 5 tiempos de reacción estén entre 2:4 y 2:5 horas? 2. Los siguientes valores provienen de un estudio sobre calidad del aire en una ciudad; son las lecturas sobre el volumen de tránsito (en número de automóviles por hora) y la concentración de monóxido de carbono, en un punto de muestreo. SXX = 34283:33; SY Y = 38:2373; SXY = 2232:33 Vol CO Vol CO (a) Gra que los puntos, parece razonable el modelo de regresión lineal? (b) Estime la ecuación de la recta y utilícela para dar una estimación puntual de la concentración de monóxido de carbono, correspondiente a un volumen de tránsito de 80 automóviles por hora y calcule el residuo correspondiente. 06
14 (c) Estime la desviación estándar de observaciones alrededor de la recta verdadera. (d) Qué porcentaje de la variación muestral en concentración de monóxido de carbono puede atribuirse al modelo? 3. En un experimento para estudiar una técnica reactiva de pulverización, se registraron los siguientes valores de rapidez de depósito (y) en función del voltaje (x). SXX = ; SY Y = 32:02; SXY = 526 x y 44:0 39:9 35:0 33:8 29: (a) Gra que los puntos para ver si se pueden ajustar por un modelo de regresión lineal (b) Enuncie las hipótesis del modelo y estime los parámetros 0 y (c) Construya una intervalo de con anza para la pendiente Es necesaria alguna hipótesis adicional al modelo planteado en (a)? 4. Los siguientes datos experimentales corresponden a la presión de gas extraído (x en micrones) y el tiempo de extracción (y en minutos): SXX = 76852:5; SY Y = 8:276; SXY = 202:7 x y (a) Enuncie las hipótesis de un modelo lineal y estime la recta de regresión: (b) Qué porcentaje de la variación muestral en los tiempos de extracción puede atribuirse al modelo de regresión? (c) Suponga que los investigadores creían, antes del experimento que la pendiente debía ser igual a 0:006. Contradicen los datos a esta a rmación? Acote el p-valor. 5. Se realizó un experimento con el n de estudiar el efecto de una nueva droga en bajar la frecuencia cardiaca. La variable independiente es la dosis (mg) de la droga y la dependiente es la diferencia de la frecuencia cardiaca antes y después de la administración del medicamento (latidos/min). Se puede suponer que para cada dosis, la distribución de la 07
15 reducción de la frecuencia cardíaca es normal y la varianza es la misma para cualquier dosis. Los siguientes datos son los valores observados en 3 ratas de laboratorio:sxx = :375; SY Y = 20:0769; SXY = 45 dosis reduc dosis reduc (a) Plantee el modelo correspondiente y estime los parámetros. (b) Puede a rmarse que un cambio de mg en la dosis produce un cambio mayor que 3:5 en la frecuencia cardíaca? Acote el p-valor 6. Los siguientes datos provienen de un estudio realizado para hallar la relación entre la presión aplicada (en kg=mm 2 ) y el tiempo de fractura (en hs) para cierto tipo de acero. presión tiempo (a) Gra que los puntos. Enuncie un modelo lineal y estime la recta de regresión. (b) Qué porcentaje en la variación de los tiempos de ruptura puede atribuirse a la relación lineal con la presión aplicada? (c) Puede a rmarse que la pendiente es distinta de p-valor. 7. Para los datos del ejercicio 4? Acote el (a) Dar intervalos de con anza, en los casos en que sea posible, de nivel 0.90 para el tiempo medio de extracción correspondiente a las presiones 20, 60, 200 y 540. Compare las longitudes de los intervalos. (b) Dar intervalos de predicción, cuando sea posible, para los tiempos de extracción correspondientes a las mismas presiones. Compare las longitudes de los intervalos y de cada uno de ellos con los intervalos de con anza anteriores. 08
16 8. Para los datos del ejercicio 5 (a) Estimar mediante un intervalo del 95%, la media de la disminución de la frecuencia cardíaca para animales a los que se administra una dosis de 2 mg; y si se adminitra una dosis de 4 mg? (b) Construya un intervalo del mismo nivel para predecir cuál será la disminución en la freciuencia cardíaca en un animal al que se le administra una dosis de 2 mg. 9. Considere los datos del ejercicio 6, si se va a hacer una nueva prueba con una presión de 8 kg=mm 2, (a) Estime el tiempo medio de ruptura del acero mediante un intervalo de con anza (b) Construya un intervalo para predecir el tiempo de ruptura de un muestra de acero a la que se aplica esa presión. 09
ANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesEstadística (Química) Práctica 6 - Tests de Hipótesis
Comentario: En todos los ejercicios propuestos Estadística (Química) Práctica 6 - Tests de Hipótesis a) de na las variables aleatorias y los parámetros involucrados. b) de ser posible indique: i. la distribución
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesANÁLISIS DE REGRESIÓN N LINEAL
ANÁLISIS DE REGRESIÓN N LINEAL Varias partes tomadas de Julio H. Cole "Nociones de Regresión Lineal" en Enciclopedia Multimedia Virtual de Economía EMVI. http://eumed.net/cursecon/medir/index.htm Análisis
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesRegresión: implica la obtención de una ecuación mediante la que podamos estimar el valor medio de una variable.
1 DEFINICIONES PREVIAS Regresión: implica la obtención de una ecuación mediante la que podamos estimar el valor medio de una variable. Correlación: es la cuantificación del grado de relación existente
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesPRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI
PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI 2014 Para qué es útil la estadística inferencial? Se utiliza para probar hipótesis y generalizar los resultados obtenidos en la muestra a la población o universo.
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesANÁLISIS DE DATOS EXPERIMENTALES POR MÍNIMOS CUADRADOS
ANÁLISIS DE DATOS EXPERIMENTALES POR MÍNIMOS CUADRADOS CONTENIDO 1 Ajuste de Curvas 2 Análisis de Regresión 2.1 Métodos de Mínimos Cuadrados 2.2 Regresión Lineal AJUSTE DE CURVAS Uno de los objetivos en
Más detallesCoeficiente de Correlación
Coeficiente de Correlación Al efectuar un análisis de regresión simple (de dos variables) necesitamos hacer las siguientes suposiciones. Que las dos variables son mensurables Que la relación entre las
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesEstadística Inferencial. Sesión No. 9 Regresión y correlación lineal
Estadística Inferencial Sesión No. 9 Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión se estudia
Más detallesAnálisis de regresión lineal simple
Análisis de regresión lineal simple El propósito de un análisis de regresión es la predicción Su objetivo es desarrollar un modelo estadístico que se pueda usar para predecir los valores de una variable
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesTEMA 4 CUESTIONARIO DE AUTOEVALUACIÓN
4.5.- En cuál de los siguientes casos se podría utilizar la varianza residual en lugar del coeficiente de determinación para medir la calidad del ajuste? Con el mismo conjunto de datos y dos ajustes distintos.
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesProblemas deestadísticaii Cuaderno II: Regresión Multiple
Problemas deestadísticaii Cuaderno II: Regresión Multiple Ingeniería Industrial. Curso 2000/2001 1. Se realizanlas regresiones lineales: bx 1 = b 0+ b 1x 2 R 2 =0:99 by= b 0 + b 1 x 1 R 2 =0:8 (a) Indicar
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesCapitulo. Describir la relación entre dos variables Pearson Prentice Hall. All rights reserved
Capitulo 34 Describir la relación entre dos variables Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta fundamental debe ser si podemos utilizar el valor
Más detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
Más detallesPRUEBA DE BONDAD DE AJUSTE O PRUEBA CHI - CUADRADO
O PRUEBA CHI - CUADRADO Hasta ahora se han mencionado formas de probar lo que se puede llamar hipótesis paramétricas con relación a una variable aleatoria, o sea que se ha supuesto que se conoce la ley
Más detallesTEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesQué es una regresión lineal?
Apéndice B Qué es una regresión lineal? José Miguel Benavente I. Introducción En varios capítulos de este libro se ocupan regresiones lineales y se afirma que el coeficiente de regresión indica cuánto
Más detallesJuan Carlos Colonia INFERENCIA ESTADÍSTICA
Juan Carlos Colonia INFERENCIA ESTADÍSTICA PARÁMETROS Y ESTADÍSTICAS Es fundamental entender la diferencia entre parámetros y estadísticos. Los parámetros se refieren a la distribución de la población
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detalles3. RELACION ENTRE DOS CONJUNTOS DE DATOS.
3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen
Más detallesNotas de clase Estadística R. Urbán R.
Inferencia estadística Sabemos que una población puede ser caracterizada por los valores de algunos parámetros poblacionales, por ello es lógico que en muchos problemas estadísticos se centre la atención
Más detallesConceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Más detallesEconometría II. Tema 1: Revisión del Modelo de Regresión Múltiple Ejercicios
Econometría II Tema 1: Revisión del Modelo de Regresión Múltiple Ejercicios 1. Problema En el chero "Produccio.xls" se presenta la información sobre la producción Y, trabajo X 2 y capital X 3 en el sector
Más detallesLa línea recta: Serie1
La línea recta: En una línea recta tenemos una relación entre dos variables, la independiente (x) y la dependiente (y). La forma en que se relacionan dependerá de la función que describa dicha relación.
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesEstadística Inferencial. Sesión 2. Distribuciones muestrales
Estadística Inferencial. Sesión 2. Distribuciones muestrales Contextualización. Toda cantidad que se obtiene de una muestra con el propósito de estimar un parámetro poblacional se llama estadístico muestral
Más detallesDEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística
PROGRAMA DE CURSO Modelo 2009 DEPARTAMENTO: Matemáticas NOMBRE DEL CURSO: Probabilidad y Estadística CLAVE: 1016M ACADEMIA A LA QUE PERTENECE: Probabilidad y Estadística PROFESIONAL ASOCIADO Y LICENCIATURA
Más detallesAjuste por mínimos cuadrados
Mathieu Departamento de Matemática Aplicada y Estadística Universidad Politécnica de Cartagena Cartagena, Enero 2010 Guión 1 Planteamiento 2 Criterio de mínimos cuadrados 3 Casos concretos: regresión lineal
Más detalles1. Caso no lineal: ajuste de una función potencial
1. Caso no lineal: ajuste de una función potencial La presión (P) y el volumen (V ) en un tipo de gas están ligados por una ecuación del tipo PV b = a, siendo a y b dos parámetros desconocidos. A partir
Más detallesTEMA 2: DISTRIBUCIONES BIDIMENSIONALES
TEMA : DISTRIBUCIONES BIDIMENSIONALES 1.- DISTRIBUCIONES BIDIMENSIONALES Cuando estudiamos un solo carácter estadístico, los datos que obtenemos forman una variable estadística unidimensional. También
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
Más detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
Más detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión
Estadís5ca Tema 2. Modelos de regresión María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica bajo
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesTema 2: Análisis de datos bivariantes
Tema 2: Análisis de datos bivariantes Los contenidos a desarrollar en este tema son los siguientes: 1. Tablas de doble entrada. 2. Diagramas de dispersión. 3. Covarianza y Correlación. 4. Regresión lineal.
Más detallesEstadísticas II. M. en E. M. Milagros Eugenia Faci. 15 de julio de 2010
2010 Estadísticas II M. en E. M. Milagros Eugenia Faci 15 de julio de 2010 2 Estadísticas II CONTENIDO UNIDAD III. CORRELACIÓN Y REGRESIÓN...3 III.1 CARACTERÍSTICAS DE UNA CORRELACIÓN...3 METODO DE MÍNIMOS
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesRegresión lineal simple y correlación
Regresión lineal simple y correlación Regresión y Correlación Los análisis de regresión y correlación nos mostrarán cómo determinar tanto la naturaleza como la fuerza de una relación entre dos variables.
Más detalles1 Tests de hipótesis. 1.1 Tests para una media
1 Tests de hipótesis Año 2012 En muchas ocasiones, el propósito de una investigación es determinar si es verdadera o no, alguna hipótesis sobre algún parámetro. Los métodos que se utilizan para esto se
Más detallesSesgo y varianza del estimador de la razón. con el problema de presición vs. sesgo que ya discutimos. t y. ˆt x
Sesgo y varianza del estimador de la razón A diferencia de los estimadores lineales vistos en las clases anteriores, los estimadores de la razón son usualmente sesgados. La varianza, comunmente más reducida,
Más detallesMétodos Estadísticos de la Ingeniería Práctica 4: Regresión Lineal
Métodos Estadísticos de la Ingeniería Práctica 4: Regresión Lineal Área de Estadística e Investigación Operativa Mariano Amo Salas y Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos Práctica 4.......................................................
Más detallesLección 3. Análisis conjunto de dos variables
Lección 3. Análisis conjunto de dos variables Estadística Descriptiva Parcialmente financiado a través del PIE13-04 (UMA) GARCÍA TEMA 3. ANÁLII CONJUNTO DE DO VARIABLE 3.1 COVARIANZA COEFICIENTE DE CORRELACIÓN
Más detallesRESULTADOS. 4.1 ADAPTABILIDAD DEL SISTEMA. Los resultados de adaptabilidad del sistema cromatografico se detallan en la tabla 4.1
IV. RESULTADOS. 4.1 ADAPTABILIDAD DEL SISTEMA. Los resultados de adaptabilidad del sistema cromatografico se detallan en la tabla 4.1 Ver gráficos en ANEXO 1 4.2 SELECTIVIDAD Placebo de excipientes: No
Más detallesPRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado
PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar
Más detallesAPUNTES DE QUIMIOMETRIA REGRESIO LINEAL
REGRESIO LINEAL APUNTES DE QUIMIOMETRIA Datos anómalos y levas en las rectas de calibrado. Regresión robusta Mínima mediana de cuadrados Recta de calibrado mediante mínimos cuadrados. Hipótesis básicas
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesPráctica 5: Estimación de parámetros. Una población.
Práctica 5: Estimación de parámetros. Una población. 1. Considere el conjunto f1; 3; 5; 7; 9g (a) Enumere todas las muestras de tamaño 2 que pueden ser seleccionadas con reposición de ese conjunto. Calcule
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesPráctica No 1. Análisis estadísticos de los datos termodinámicos
Práctica No 1 Análisis estadísticos de los datos termodinámicos 1. Objetivo general: Aplicación correcta de las herramientas estadísticas en el manejo de propiedades, tales como: presión, temperatura y
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 3. Contrastes de bondad
Más detallesConceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad.
Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad. Tema 1 (IV) Estadística 2 Curso 08/09 Tema 1 (IV) (Estadística 2) Contrastes de aleatoriedad Curso
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
Más detallesLIMITES O INTERVALOS DE CONFIANZA LUIS FRANCISCO HERNANDEZ CANDELARIA ATENCIA ROMERO
LIMITES O INTERVALOS DE CONFIANZA LUIS FRANCISCO HERNANDEZ CANDELARIA ATENCIA ROMERO TRABAJO DE ESTADISTICA PROBABILISTICA PRESENTADO A LA PROFESORA MARIA ESTELA SEVERICHE SINCELEJO CORPORACIÓN UNIVERSITARIA
Más detallesUNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8
UNIVERSIDAD TECNICA PARTICULAR DE LOJA ESTADISTICA Y PROBABILIDAD ENSAYO N 8 DOCENTE: Ing. Patricio Puchaicela ALUMNA: Andrea C. Puchaicela G. CURSO: 4to. Ciclo de Electrónica y Telecomunicaciones AÑO
Más detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detallesUn modelo para representar una relación aproximadamente
Regresión Se han visto algunos ejemplos donde parece que haya una relación aproximadamente lineal entre dos variables. Supongamos que queremos estimar la relación entre las dos variables. Cómo ajustamos
Más detalles